频繁子结构的发现通常包括两个步骤。第一步，它可以生成频繁子结构候选。在第二步中测试每个候选的频率。大多数关于频繁子结构发现的研究都集中在第一步的优化上，因为第二步涉及计算复杂度过高（即NP-完全）的子图同构测试。
有多种频繁子结构挖掘的方法如下 -
基于 Apriori 的方法-基于Apriori 的频繁子结构挖掘算法发送与基于 Apriori 的频繁项集挖掘算法相同的特征。频繁图的搜索从小“尺寸”的图开始，并通过使候选具有额外的顶点、边或路径以自下而上的方式进行。图大小的表示基于所使用的算法。
基于 Apriori 的子结构挖掘算法的主要设计复杂性是候选生成步骤。频繁项集挖掘中的候选产生是真实的。例如，假设我们有两个大小为 3 的频繁项集：(abc) 和 (bcd)。
从它们生成的大小为 4 的频繁项集候选很容易(abcd)，从连接中改变。然而，频繁子结构挖掘中的候选生成问题比频繁项集挖掘中的要困难，因为有很多方法可以连接两个子结构。
Pattern-Growth Approach - 基于 Apriori 的方法必须使用广度优先搜索 (BFS) 策略，因为它是逐级生成的。要确定大小为 (k + 1) 的图是否频繁，它必须检查其所有对应的大小为 k 的子图以获得其频率的上限。因此，在挖掘任何大小-(k +1) 子图之前，类Apriori 方法通常必须完成对大小-k 子图的挖掘。
因此，BFS 对于类 Apriori 方法是必要的。相比之下，模式增长方法在其搜索方法方面更具动态性。它可以使用广度优先搜索以及深度优先搜索(DFS)，后者消耗更少的内存。
模式增长图很简单，但效率不高。瓶颈在于扩展图的效率低下。可以多次找到相同的图形。例如，可能存在 n 个不同的 (n - 1) 边图，可以扩展到相同的 n 边图。同一图的重复发现在计算上是低效的。我们将第二次发现的图称为重复图。
它可以减少重复图的产生，每个频繁图都应该尽可能保守地扩展。这一原则导致了几种新算法的设计。生成算法旨在减少重复图的生成。它不需要搜索先前发现的频繁图来进行重复检测。它不扩展任何重复图，但仍保证发现完整的频繁图集。